Исследователи из Индианского университета в Блумингтоне обучили алгоритм определять, кому из взрослых однократная цифровая интервенция COMET снизит симптомы депрессии сильнее, чем пребывание в листе ожидания. На отложенной части выборки из 828 человек алгоритм значимых рекомендаций не дал. Это эмпирическое исследование с заранее зарегистрированным планом. Результаты опубликованы в журнале Clinical Psychological Science.
Работа касается одной цифровой однократной интервенции и её сравнения с листом ожидания, а не выбора между методами в очной терапии и не подбора терапевта. На этом участке индекс, построенный по исходным данным участников, значимых рекомендаций не дал, хотя выборка была большой. Результат относится к ожиданиям от алгоритмического подбора именно таких цифровых интервенций.
Однократные интервенции (помощь, укладывающаяся в одну сессию, часто цифровую) при депрессии в ряде работ выглядели эффективными, по крайней мере у молодых людей. Но польза достаётся не всем. Отсюда интерес к персонализации: если заранее понять, кому вмешательство подойдёт, его можно предлагать прицельно. Один из подходов — индекс персонального преимущества (Personalized Advantage Index, PAI), оценка того, насколько одному человеку один вариант выгоднее другого.
Руководитель работы — Лоренсо Лоренсо-Луасес (Lorenzo Lorenzo-Luaces), последний автор статьи; первым автором значится Э. Дж. Джардас (E. J. Jardas). Оба работают на факультете психологических и нейронаук Индианского университета в Блумингтоне (Indiana University-Bloomington). Третий соавтор — Дж. Говард (J. Howard). Исследование финансировал Национальный центр развития трансляционных наук (NCATS) Национальных институтов здравоохранения США.
В исследовании участвовали 828 взрослых с текущими или перенесёнными психическими проблемами. Их случайно распределили в две группы: одни проходили COMET (Common Elements Toolbox, цифровая однократная интервенция), другие ждали в листе ожидания. Исходом считали тяжесть депрессивных симптомов через две недели. Индекс строили моделями эластичной сети (регрессии, которая отбирает и сжимает предикторы) с десятикратной кросс-валидацией.
Проверку провели на 20 процентах данных, которые при обучении модели не использовались. Индекс не взаимодействовал с вариантом лечения при предсказании тяжести депрессии после вмешательства (β = 0,880, SE = 1,21, t = −0,72, p = 0,47). По формулировке авторов, алгоритм «not able to provide statistically significant recommendations» («не смог дать статистически значимых рекомендаций»). Вывод работы: даже на большой выборке такие рекомендации построить трудно.
Выводы ограничены устройством работы. Сравнивали одну интервенцию с листом ожидания, а не два активных метода между собой, так что о подборе методов в живой терапии исследование ничего не сообщает. Исход измеряли через две недели. В выборку вошли люди не только с текущей депрессией. Отрицательный результат не означает, что персонализация невозможна в принципе. Перенос на российские сервисы и практику в работе не рассматривался.